端科技您的位置:首页 >科技 >

什么是神经形态工程 以及为什么它会引发模拟革命

有许多类型和风格的人工智能,但是寻找有趣解决方案的编程分支与寻求模拟和模拟人类大脑功能的科学分支之间存在着重要的区别。神经形态计算,包括神经网络的产生和使用,涉及证明大脑如何执行其功能的任何概念的功效 - 不仅仅是做出决定,而是记忆信息,甚至推断事实。

从字面上和实际上来说,“神经形态”意味着“采取大脑的形式”。这里的关键词是“形式”,主要是因为大量的人工智能研究涉及模拟或至少模仿大脑的功能。神经形态装置的工程设计涉及开发其功能类似于大脑部分的部件,或者至少是这些部件被认为具有的功能。当然,这些组件不是脑形的,但是像人造心脏的阀门一样,它们确实发挥了它们的有机对应物的作用。一些架构甚至通过根据他们当前正在运行的任务的需要提供新组件来模拟大脑的感知可塑性(其修改其自身形式以适应其功能的能力)。

什么是神经形态工程 以及为什么它会引发模拟革命

神经形态工程的目标

虽然构建这样的设备可以告诉我们思维如何运作,或者至少揭示它不具备的某些方式,但这种努力的实际目标是产生一种机制,可以从其输入中“学习”数字计算机组件可能无法。收益可能是一种全新的机器类型,能够“训练”使用远远少于数字神经网络所需的输入来识别模式。

“这些神经网络最具吸引力的特性之一是它们可以移植到低功率神经形态硬件上,”2018年9月IBM神经形态专利申请[ PDF ]中写道,“它可以部署在移动设备和本机传感器中,可以极其运行实时低功耗要求。神经形态计算展示了一种前所未有的低功耗计算基板,可用于许多应用。“

尽管谷歌近年来一直处于领先地位,其研究和生产的硬件称为张量处理器(TPU),专门用于基于神经网络的应用,神经形态分支是一个完全不同的野兽。具体而言,它不是关于离散数值的任何数据集的评估,例如从1到10的等级,或从0到100的等级百分比。除了解决方程式之外,其他从业者还有一个目标,或者只是为了生产更多的软件。他们寻求创造一种认知机器 - 如果不是完全证明的话,它可以引导人们对人类思维如何运作的理性理论。他们不是为了夺取国王的六个动作。他们在这里建立机制。

为什么还要尝试神经形态设计呢?

计算中的神经网络通常由记忆中的一组元素 - 称为轴突,在神经学中的对应物之后 - 由于一系列输入而被调整或加权。据说这些权重留下了印象,正是这种印象(希望)神经网络在被要求揭示输入中的共同元素时可以回想起来。如果这种印象可以被视为“学习”,则可以训练小神经网络以在广泛训练之后识别字母表的字母。

在纯数字环境中提供神经网络模型需要大量数据。 云服务提供商处于特别有利的位置以利用该要求,特别是如果它可以普及利用机器学习的应用程序。这就是为什么亚马逊和其他人如此兴奋地关于人工智能的原因:作为一类任务,它是最大的数据消费者。

然而,你可能已经注意到了一些关于人类的事情:他们已经变得相当熟悉他们拥有的大脑,而没有使用光纤链接到云服务提供商。出于某种原因,大脑显然能够学习更多,而没有二进制存储的原始开销。在完美的世界中,神经网络系统应该能够学习应用程序需要知道的关于视频内容的内容,例如,无需以高分辨率存储视频的每个帧。

可以想象,虽然神经形态计算机将建立在一个相当复杂的引擎上,但一旦大规模生产,它就会变成一个非常简单的机器。我们还不能在罐子里长大。但是,如果我们对什么构成认知有一个似是而非的理论,我们就可以合成一个遵循该理论规则的系统,或许可以用更少的能量产生更好的结果,并且需要一个数量级更少的记忆。

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如有侵权行为,请第一时间联系我们修改或删除,多谢。